以下記錄是來自於https://blog.csdn.net/perfectlwz/article/details/88761651，在此感謝李老師，我看到比較好，就轉記錄到自己的博客了，如果有侵權，立馬刪掉。
--------------------------------------------------------------------------------------------------------------------
分享一個,機器學習數據集,涵蓋了 視覺/NLP/音頻 三個領域
滿足大家的學習需求,這些內容僅供學習使用!
該內容由一位名叫 Nikola Pleša 的開發人員做了一個項目，將所有機器學習的大型數據集收集在一個網站上，方便大家取用。
網站目前提供約 70 個數據集，涵蓋了計算機視覺、自然語言理解和音頻三大領域，包括每個數據集的鏈接、簡介、許可類型、論文等，並且作者表示將繼續增加數據集數量。
數據集地址:https://www.datasetlist.com/
--------------------------------------------------------------------------------------------------------------------
下面 轉載自李老師，https://blog.csdn.net/perfectlwz/article/details/89403634 這篇文章
圖像分類領域
1）MNIST
經典的小型（28x28 像素）灰度手寫數字數據集，開發於 20 世紀 90 年代，主要用於測試當時最複雜的模型；到 了今日，MNIST 數據集更多被視作深度學習的基礎教材。fast.ai 版本的數據集捨棄了原始的特殊二進制格式，轉 而採用標準的 PNG 格式，以便在目前大多數代碼庫中作爲正常的工作流使用；如果您只想使用與原始同樣的單輸 入通道，只需在通道軸中選取單個切片即可。
引文：http://yann.lecun.com/exdb/publis/index.html#lecun-98
下載地址：https://s3.amazonaws.com/fast-ai-imageclas/mnist_png.tgz
2）CIFAR10
10 個類別，多達 60000 張的 32x32 像素彩色圖像（50000 張訓練圖像和 10000 張測試圖像），平均每種類別 擁有 6000 張圖像。廣泛用於測試新算法的性能。fast.ai 版本的數據集捨棄了原始的特殊二進制格式，轉而採用
標準的 PNG 格式，以便在目前大多數代碼庫中作爲正常的工作流使用。
引文：https://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf
下載地址：https://s3.amazonaws.com/fast-ai-imageclas/cifar10.tgz
3）CIFAR100
與 CIFAR-10 類似，區別在於 CIFAR-100 擁有 100 種類別，每個類別包含 600 張圖像（500 張訓練圖像和 100 張測試圖像），然後這 100 個類別又被劃分爲 20 個超類。因此，數據集裏的每張圖像自帶一個「精細」標籤 （所屬的類）和一個「粗略」標籤（所屬的超類）。
引文：https://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf
下載地址：https://s3.amazonaws.com/fast-ai-imageclas/cifar100.tgz
4）Caltech-UCSD Birds-200-2011
包含 200 種鳥類（主要爲北美洲鳥類）照片的圖像數據集，可用於圖像識別工作。分類數量：200；圖片數量： 11,788；平均每張圖片含有的標註數量：15 個局部位置，312 個二進制屬性，1 個邊框框。
引文：http://vis-www.cs.umass.edu/bcnn/
下載地址：https://s3.amazonaws.com/fast-ai-imageclas/CUB_200_2011.tgz
5）Caltech 101
包含 101 種物品類別的圖像數據集，平均每個類別擁有 40—800 張圖像，其中很大一部分類別的圖像數量固爲 50 張左右。每張圖像的大小約爲 300 x 200 像素。本數據集也可以用於目標檢測定位。
引文：http://www.vision.caltech.edu/feifeili/Fei-Fei_GMBV04.pdf
下載地址：https://s3.amazonaws.com/fast-ai-imageclas/caltech_101.tar.gz
6）Oxford-IIIT Pet
包含 37 種寵物類別的圖像數據集，每個類別約有 200 張圖像。這些圖像在比例、姿勢以及光照方面有着豐富的 變化。本數據集也可以用於目標檢測定位。
引文：http://www.robots.ox.ac.uk/~vgg/publications/2012/parkhi12a/parkhi12a.pdf
下載地址：https://s3.amazonaws.com/fast-ai-imageclas/oxford-iiit-pet.tgz
7）Oxford 102 Flowers
包含 102 種花類的圖像數據集（主要是一些英國常見的花類），每個類別包含 40—258 張圖像。這些圖像在比 例、姿勢以及光照方面有着豐富的變化。
引文：http://www.robots.ox.ac.uk/~vgg/publications/papers/nilsback08.pdf
下載地址：https://s3.amazonaws.com/fast-ai-imageclas/oxford-102-flowers.tgz
8）Food-101
包含 101 種食品類別的圖像數據集，共有 101,000 張圖像，平均每個類別擁有 250 張測試圖像和 750 張訓練圖 像。訓練圖像未經過數據清洗。所有圖像都已經重新進行了尺寸縮放，最大邊長達到了 512 像素。
引文：https://pdfs.semanticscholar.org/8e3f/12804882b60ad5f59aad92755c5edb34860e.pdf
下載地址：https://s3.amazonaws.com/fast-ai-imageclas/food-101.tgz
9）Stanford cars
包含 196 種汽車類別的圖像數據集，共有 16,185 張圖像，分別爲 8,144 張訓練圖像和 8,041 張測試圖像，每個 類別的圖像類型比例基本上都是五五開。本數據集的類別主要基於汽車的牌子、車型以及年份進行劃分。
引文：https://ai.stanford.edu/~jkrause/papers/3drr13.pdf
下載地址：https://s3.amazonaws.com/fast-ai-imageclas/stanford-cars.tgz
自然語言處理領域
1）IMDb Large Movie Review Dataset
用於情感二元分類的數據集，其中包含 25,000 條用於訓練的電影評論和 25,000 條用於測試的電影評論，這些電 影評論的特點是兩極分化特別明顯。另外數據集裏也包含未標記的數據可供使用。
引文：http://ai.stanford.edu/~amaas/papers/wvSent_acl2011.pdf
下載地址：https://s3.amazonaws.com/fast-ai-nlp/imdb.tgz
2）Wikitext-103
超過 1 億個語句的數據合集，全部從維基百科的 Good 與 Featured 文章中提煉出來。廣泛用於語言建模，當中 包括 fastai 庫和 ULMFiT 算法中經常用到的預訓練模型。
引文：https://arxiv.org/abs/1609.07843
下載地址：https://s3.amazonaws.com/fast-ai-nlp/wikitext-103.tgz
3）Wikitext-2
Wikitext-103 的子集，主要用於測試小型數據集的語言模型訓練效果。
引文：https://arxiv.org/abs/1609.07843
下載地址：https://s3.amazonaws.com/fast-ai-nlp/wikitext-2.tgz
4）WMT 2015 French/English parallel texts
用於訓練翻譯模型的法語/英語平行文本，擁有超過 2000 萬句法語與英語句子。本數據集由 Chris CallisonBurch 創建，他抓取了上百萬個網頁，然後通過一組簡單的啓發式算法將法語網址轉換爲英文網址，並默認這些 文檔之間互爲譯文。
引文：https://www.cis.upenn.edu/~ccb/publications/findings-of-the-wmt09-shared-tasks.pdf
下載地址：https://s3.amazonaws.com/fast-ai-nlp/giga-fren.tgz
5）AG News
496,835 條來自 AG 新聞語料庫 4 大類別超過 2000 個新聞源的新聞文章，數據集僅僅援用了標題和描述字段。 每個類別分別擁有 30,000 個訓練樣本及 1900 個測試樣本。
引文：https://arxiv.org/abs/1509.01626
下載地址：https://s3.amazonaws.com/fast-ai-nlp/ag_news_csv.tgz
6）Amazon reviews - Full
34,686,770 條來自 6,643,669 名亞馬遜用戶針對 2,441,053 款產品的評論，數據集主要來源於斯坦福網絡分析項 目（SNAP）。數據集的每個類別分別包含 600,000 個訓練樣本和 130,000 個測試樣本。
引文：https://arxiv.org/abs/1509.01626
下載地址：https://s3.amazonaws.com/fast-ai-nlp/amazon_review_full_csv.tgz
7）Amazon reviews - Polarity
34,686,770 條來自 6,643,669 名亞馬遜用戶針對 2,441,053 款產品的評論，數據集主要來源於斯坦福網絡分析項 目（SNAP）。該子集的每個情緒極性數據集分別包含 1,800,000 個訓練樣本和 200,000 個測試樣本。
引文：https://arxiv.org/abs/1509.01626
下載地址：https://s3.amazonaws.com/fast-ai-nlp/amazon_review_polarity_csv.tgz
8）DBPedia ontology
來自 DBpedia 2014 的 14 個不重疊的分類的 40,000 個訓練樣本和 5,000 個測試樣本。
引文：https://arxiv.org/abs/1509.01626
下載地址：https://s3.amazonaws.com/fast-ai-nlp/dbpedia_csv.tgz
9）Sogou news
2,909,551 篇來自 SogouCA 和 SogouCS 新聞語料庫 5 個類別的新聞文章。每個類別分別包含 90,000 個訓練樣 本和 12,000 個測試樣本。這些漢字都已經轉換成拼音。
引文：https://arxiv.org/abs/1509.01626
下載地址：https://s3.amazonaws.com/fast-ai-nlp/sogou_news_csv.tgz
10）Yahoo! Answers
來自雅虎 Yahoo! Answers Comprehensive Questions and Answers1.0 數據集的 10 個主要分類數據。每個類 別分別包含 140,000 個訓練樣本和 5,000 個測試樣本。
引文：https://arxiv.org/abs/1509.01626
下載地址：https://s3.amazonaws.com/fast-ai-nlp/yahoo_answers_csv.tgz
11）Yelp reviews - Full
來自 2015 年 Yelp Dataset Challenge 數據集的 1,569,264 個樣本。每個評級分別包含 130,000 個訓練樣本和 10,000 個 測試樣本。
引文：https://arxiv.org/abs/1509.01626
下載地址：https://s3.amazonaws.com/fast-ai-nlp/yelp_review_full_csv.tgz
12）Yelp reviews - Polarity
來自 2015 年 Yelp Dataset Challenge 數據集的 1,569,264 個樣本。該子集中的不同極性分別包含 280,000 個 訓練樣本和 19,000 個測試樣本。
引文：https://arxiv.org/abs/1509.01626
下載地址：https://s3.amazonaws.com/fast-ai-nlp/yelp_review_polarity_csv.tgz
目標檢測定位
1）Camvid: Motion-based Segmentation and Recognition Dataset
700 張包含像素級別語義分割的圖像分割數據集，每張圖像都經過第二個人的檢查和確認來確保數據的準確性。
引文：https://pdfs.semanticscholar.org/08f6/24f7ee5c3b05b1b604357fb1532241e208db.pdf
下載地址：https://s3.amazonaws.com/fast-ai-imagelocal/camvid.tgz
2）PASCAL Visual Object Classes (VOC)
用於類識別的標準圖像數據集——這裏同時提供了 2007 與 2012 版本。2012 年的版本擁有 20 個類別。訓練數 據的 11,530 張圖像中包含了 27,450 個 ROI 註釋對象和 6,929 個目標分割數據。
引文：http://host.robots.ox.ac.uk/pascal/VOC/pubs/everingham10.pdf
下載地址：https://s3.amazonaws.com/fast-ai-imagelocal/pascal-voc.tgz
COCO 數據集
目前最常用於圖像檢測定位的數據集應該要屬 COCO 數據集（全稱爲 Common Objects in Context）。本文提 供 2017 版 COCO 數據集的所有文件，另外附帶由 fast.ai 創建的子集數據集。我們可以從 COCO 數據集下載頁 面（http://cocodataset.org/#download）獲取每個 COCO 數據集的詳情。fast.ai 創建的子集數據集包含五個 選定類別的所有圖像，這五個選定類別分別爲：椅子、沙發、電視遙控、書籍和花瓶。
fast.ai 創建的子集數據集：https://s3.amazonaws.com/fast-ai-coco/coco_sample.tgz
訓練圖像數據集：https://s3.amazonaws.com/fast-ai-coco/train2017.zip
驗證圖像數據集：https://s3.amazonaws.com/fast-ai-coco/val2017.zip
測試圖像數據集：https://s3.amazonaws.com/fast-ai-coco/test2017.zip
未經標註的圖像數據集：https://s3.amazonaws.com/fast-ai-coco/unlabeled2017.zip
測試圖像數據集詳情：https://s3.amazonaws.com/fast-ai-coco/image_info_test2017.zip
未經標註的圖像數據集詳情：https://s3.amazonaws.com/fast-ai-coco/image_info_unlabeled2017.zip
訓練/驗證註釋集：https://s3.amazonaws.com/fast-ai-coco/annotations_trainval2017.zip
主體訓練/驗證註釋集：https://s3.amazonaws.com/fast-ai-coco/stuff_annotations_trainval2017.zip
全景訓練/驗證註釋集：https://s3.amazonaws.com/fast-ai-coco/panoptic_annotations_trainval2017.zip
數據集收集者：黃善清
--------------------------------------------------------------------------------------------------------------------